القدرة على التنبؤ بمجموعة من السلوكيات المستقبلية المحتملة والمتباينة لوكيل (مثل، مسارات المشاة المستقبلية) هي ضرورية لأنظمة الإدراك الحرجة للسلامة (مثل، المركبات ذاتية القيادة). وبشكل خاص، يجب أن تكون مجموعة السلوكيات المستقبلية المحتملة التي تولدها النظام متباينة لتشمل جميع النتائج المحتملة من أجل اتخاذ الاحتياطات اللازمة للسلامة. لا يكفي الحفاظ على مجموعة من النتائج المستقبلية الأكثر احتمالًا لأن هذه المجموعة قد تحتوي فقط على تغيرات طفيفة لنتيجة واحدة. بينما أثبتت نماذج التوليد مثل الكودرات الذاتية المتغيرة (VAEs) أنها أداة قوية لتعلم توزيع فوق المسارات المستقبلية، فإن العينات المستخرجة عشوائيًا من النموذج الضمني للمعقولية قد لا تكون متباينة - يتم استنتاج نموذج المعقولية من توزيع بيانات التدريب وستتركز العينات حول الوضع الرئيسي الذي يحتوي على معظم البيانات.في هذا البحث، نقترح تعلم دالة عينات متنوعة (DSF) التي تولد مجموعة متنوعة ومحتملة من المسارات المستقبلية. تقوم DSF بربط خصائص سياق التنبؤ بمجموعة من الأكواد المخفية التي يمكن فك شفرتها بواسطة نموذج توليدي (مثل VAE) إلى مجموعة من عينات المسارات المتنوعة. بشكل ملموس، يتم وضع عملية تحديد مجموعة العينات المتنوعة كتقدير معاملات DSF. لتعلم معاملات DSF، يتم تقييم تنوع عينات المسارات بواسطة خسارة التنوع المستندة إلى عملية النقاط الحاسمة (DPP). يتم تنفيذ الانحدار التدرجي فوق معاملات DSF، مما يؤدي بدوره إلى تحريك الأكواد المخفية لمجموعة العينات لإيجاد مجموعة مسارات متنوعة ومحتملة بشكل أمثل. طريقة عملنا هي تطبيق جديد لـ DPPs لتحسين مجموعة من العناصر (المسارات) في الفضاء المستمر. نوضح تنوع المسارات التي ينتجها نهجنا باستخدام بيانات مسارات ثنائية الأبعاد ذات البعد المنخفض وبيانات حركة البشر ذات البعد العالي.